Inteligencia Artificial Aplicada — Avanzado

🎯 Objetivo del curso

Hacer que el sistema piense, decida y aprenda. Cómo integrar modelos de IA, desde lo simple hasta redes neuronales, en todo el ciclo del sistema.

📌 Programa Sintético

Conceptos: IA, Machine Learning, Deep Learning. Datos: recolección, limpieza, etiquetado, preparación, aumento. Algoritmos clásicos: regresión, clasificación, agrupamiento, anomalías. Redes neuronales: estructura, funcionamiento, entrenamiento. Visión artificial: imágenes, detección, reconocimiento. IA en dispositivos: modelos livianos, optimización, ejecución local. Integración con sistema IoT. Proyecto final: modelo inteligente funcional.

🧩 Proyecto del nivel

Desarrollo e integración de un modelo de IA funcional en un sistema IoT real: detección de anomalías en señal de sensor, entrenado en cloud y ejecutándose en dispositivo embebido, con pipeline completo de datos.

Unidad 1 (Sem 1-2): IA, ML, DL y datos. Unidad 2 (Sem 3-4): Algoritmos clásicos. Unidad 3 (Sem 5-6): Redes neuronales y visión. Unidad 4 (Sem 7-8): Edge AI e integración.

Unidad 1 — Visión Artificial y CNNs (Sem 1-2)

• CNNs: conv, pooling, arquitecturas
• Transfer learning y fine-tuning
• Lab: clasificador de defectos con MobileNetV2

Unidad 2 — Object Detection (Sem 3-4)

• YOLO: detección en tiempo real
• YOLOv8 en Python y exportación a TFLite
• Lab: detector de presencia en sala con YOLOv8

Unidad 3 — NLP para IoT (Sem 5-6)

• NLP en logs de sistema: clasificación de eventos
• Embeddings y similitud semántica
• Lab: clasificador de alertas en logs de dispositivos

Unidad 4 — Datos Sintéticos (Sem 7-8)

• GAN básica: generar datos de entrenamiento
• Simulación como fuente de datos para IoT
• Lab: generar señales sintéticas de fallo para entrenar detector

Unidad 5 — Optimización de Modelos para Edge (Sem 9-10)

• Cuantización: int8, int4, mixed precision
• Pruning: reducir parámetros sin perder precisión
• Knowledge distillation: modelo pequeño que imita al grande
• Lab: compresión de modelo YOLOv8 para ESP32-S3

Unidad 6 — MLOps Completo (Sem 11-12)

• CI/CD para modelos de ML: DVC, MLflow, GitHub Actions
• Model registry y gestión de versiones
• Lab: pipeline MLOps completo de entrenamiento a despliegue

Unidad 7 — Edge AI Avanzado (Sem 13-14)

• Edge Impulse: plataforma de Edge AI
• Inferencia en Cortex-M: optimización para ARM
• Lab: modelo de reconocimiento de sonido en microcontrolador

Unidad 8 — Proyecto Final (Sem 15-16)

• Sistema de visión artificial o análisis de señales integrado en pipeline IoT: entrenado, optimizado y desplegado en hardware real

Bienvenido a Inteligencia Artificial Aplicada — Nivel Avanzado.

Este nivel aborda redes neuronales profundas, visión artificial y el procesamiento de lenguaje natural aplicados a sistemas AIoT.

Semana 1:
– Visión artificial en IoT: los ojos del sistema
– CNN: cómo aprende a ver una red neuronal
– Convolución, pooling, flatten, fully connected
– Transfer learning: aprender de la experiencia de otros